在描述算法复杂度时,经常用到
o
(
1
)
,
o
(
n
)
,
o
(
l
o
g
n
)
,
o
(
n
l
o
g
n
)
o(1), o(n), o(logn), o(nlogn)
o(1),o(n),o(logn),o(nlogn)来表示对应算法的时间复杂度, 这里进行归纳一下它们代表的含义:
这是算法的时空复杂度的表示。不仅仅用于表示时间复杂度,也用于表示空间复杂度。
O
后面的括号中有一个函数,指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
比如时间复杂度为O(n)
,就代表数据量增大几倍,耗时也增大几倍。比如常见的遍历算法。
再比如时间复杂度O(n^2)
,就代表数据量增大n倍时,耗时增大n的平方倍,这是比线性更高的时间复杂度。比如冒泡排序,就是典型的O(n^2)
的算法,对n个数排序,需要扫描n×n次。
再比如O(logn)
,当数据增大n倍时,耗时增大logn
倍(这里的log是以2为底的,比如,当数据增大256倍时,耗时只增大8倍,是比线性还要低的时间复杂度)。二分查找就是O(logn)
的算法,每找一次排除一半的可能,256个数据中查找只要找8次就可以找到目标。
O(nlogn)
同理,就是n乘以logn
,当数据增大256倍时,耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)
的时间复杂度。
O(1)
就是最低的时空复杂度了,也就是耗时/耗空间与输入数据大小无关,无论输入数据增大多少倍,耗时/耗空间都不变。 哈希算法就是典型的O(1)
时间复杂度,无论数据规模多大,都可以在一次计算后找到目标(不考虑冲突的话)
算法复杂度:o(1), o(n), o(logn), o(nlogn)
最新推荐文章于 2022-02-17 05:07:28 发布